O astrofísico Avi Loeb, professor da Universidade Harvard, discutiu recentemente os limites do sistema tradicional de publicações científicas. Em diálogo por e-mail com Maria Roginskaya, professora de matemática da Chalmers University of Technology, na Suécia, ele abordou o crescimento exponencial da produção acadêmica. O volume de papers publicados anualmente em matemática chega a cerca de 100 mil, com entre 50 mil e 100 mil pesquisadores ativos, o que impede a leitura completa mesmo dos trabalhos mais relevantes.
A professora destacou que ninguém consegue acompanhar uma fração significativa das novas publicações. Isso gera duplicações ou sobreposições não detectadas. Além disso, o processo de revisão por pares, realizado voluntariamente, sobrecarrega os pesquisadores, levando a avaliações superficiais baseadas apenas em interesse e plausibilidade.
Problemas estruturais no modelo atual
O sistema de publicações, originalmente criado para disseminar conhecimento, agora serve também como métrica principal para contratações, promoções e financiamentos. Essa dupla função distorce o propósito original. Pesquisadores experientes admitem que não navegam mais em revistas tradicionais, dependendo apenas de recomendações pessoais ou apresentações em conferências.
Jovens cientistas enfrentam barreiras extras. Eles dependem de orientadores não só para orientação científica e recursos, mas também para indicações a revistas de prestígio e coautorias. Alguns dividem resultados em porções menores para aumentar o número de publicações, priorizando estratégia de carreira sobre avanço genuíno do conhecimento.
Vieses e abusos no processo de avaliação
Editores e revisores anônimos concentram poder sem controles eficazes. Isso facilita vieses relacionados a áreas de interesse ou grupos específicos dentro do campo. Casos de submissões sucessivas a diferentes revistas na expectativa de aceitação por descuido ocorrem com frequência.
Erratas se multiplicam, sinalizando que muitos erros passam despercebidos na revisão inicial. A professora sueca argumentou que abandonar o sistema individualmente é impossível, pois ele permanece a base para avaliação de carreiras. Isso mantém um ciclo de ineficiências criticado há décadas.
Proposta de uso de agentes de IA
Avi Loeb concordou com as observações e sugeriu agentes de IA como ferramenta auxiliar. Esses sistemas poderiam processar grandes quantidades de papers, organizar conteúdos e realizar avaliações preliminares. Um agente treinado com exemplos de trabalhos verificados bons e ruins testaria a capacidade de identificar qualidade científica.
A ideia se alinha ao aumento de submissões em repositórios e conferências. Ferramentas de IA já auxiliam em análise de dados complexos em diversas áreas. Testes controlados validariam a precisão em cenários reais de revisão acadêmica.
Limitações e necessidade de abordagem híbrida
Modelos de IA podem reproduzir vieses presentes nos dados de treinamento. Integração com supervisão humana surge como opção equilibrada. Experimentos em campos como economia testaram LLMs para triagem inicial, com resultados variados na detecção de qualidade e originalidade.
A discussão reforçou a separação entre disseminação de conhecimento e avaliação de carreiras. Enquanto o modelo tradicional persiste, agentes de IA oferecem alívio imediato à pressão sobre revisores e editores. Mudanças profundas exigem tempo devido a interesses consolidados no sistema atual.
Chamada para discussão coletiva
Membros da comunidade acadêmica não podem ignorar o problema e focar apenas em suas pesquisas individuais. A professora defendeu debate aberto para evitar colapso por inércia. Loeb afirmou que apoiaria reformas se tivesse influência para isso.
O intercâmbio evidencia consenso sobre inadequação do sistema frente à escala atual da ciência. Inovações com IA representam caminho promissor para restaurar eficiência e priorizar o avanço real do conhecimento.
- Volume anual de papers em matemática: cerca de 100 mil.
- Pesquisadores ativos na área: entre 50 mil e 100 mil.
- Principais distorções identificadas: dependência de redes pessoais, divisão estratégica de resultados, vieses em revisões.
- Solução proposta: agentes de IA para digestão, organização e avaliação preliminar de papers.
- Necessidade destacada: testes controlados e abordagem híbrida humano-IA.
